Combined Prediction Method of Short-Term Distance Headway Based on EB-GRA-TCN
Notice bibliographique
Résumé
As an essential parameter to represent vehicle following characteristics, distance headway (DHW) plays an essential role in microtraffic flow simulation, traffic control, and traffic safety alarm. However, due to the randomness, nonlinearity, and correlation of DHW data, constructing DHW prediction models is difficult. Moreover, few studies have considered the time correlation between the historical DHW and the target DHW. To solve the above problems, a DHW prediction model is proposed in this paper by integrating entropy-based grey relation analysis (EB-GRA) and temporal convolutional network (TCN), named as EB-GRA-TCN model. In the model, the EB-GRA is adopted to calculate the correlation between the target DHW and historical DHW sequences, and the DHW data with high correlation are dynamically selected as the optimal input of the DHW prediction model. Then, the TCN algorithm is used to train the DHW prediction model. The TCN architecture integrates the advantages of recurrent neural network (RNN) and convolutional neural network (CNN), which could fully use the previous DHW information. In the experiment, the DHW data from Hefei Expressway are utilized for training the EB-GRA-TCN model. The prediction results showed that the average root mean square error (RMSE) and mean absolute error (MAE) of the proposed model were 0.115 and 0.090, respectively, in the 5, 10, and 15 predicted steps. Compared with the autoregressive integrated moving average (ARIMA), TCN, RNN, and long short-term memory (LSTM) models, the EB-GRA-TCN model achieved the best prediction accuracy. The results indicated that the EB-GRA-TCN model obtained good predictive performance and could provide support for road traffic control and traffic safety warming.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».